Deutsch
 
Hilfe Datenschutzhinweis Impressum
  DetailsucheBrowse

Datensatz

DATENSATZ AKTIONENEXPORT
Zur Ablage hinzufügen
 DetailsÜbersicht
  Derivative observations in Gaussian Process models of dynamic systems

Solak, E., Murray-Smith R, Leithead WE, Leith, D., & Rasmussen, C. (2003). Derivative observations in Gaussian Process models of dynamic systems. Advances in Neural Information Processing Systems 15, 1033-1040.

Item is

 

einblenden: alle ausblenden: alle

Basisdaten

einblenden: ausblenden:
Datensatz-Permalink: https://hdl.handle.net/11858/00-001M-0000-0013-DB3D-4 Versions-Permalink: https://hdl.handle.net/11858/00-001M-0000-0013-DB3E-2
Genre: Konferenzbeitrag

Externe Referenzen

einblenden:

Urheber

einblenden:
ausblenden:
 Urheber:
Solak, E, Autor
Murray-Smith R, Leithead WE, Leith, D, Autor
Rasmussen, CE1, Autor           
Becker S. Thrun, S., Herausgeber
K., Obermayer, Herausgeber
Affiliations:
1Department Empirical Inference, Max Planck Institute for Biological Cybernetics, Max Planck Society, ou_1497795              

Inhalt

einblenden:
ausblenden:
Schlagwörter: -
 Zusammenfassung: Gaussian processes provide an approach to nonparametric modelling which allows a straightforward combination of function and derivative observations in an empirical model. This is of particular importance in identification of nonlinear dynamic systems from experimental data. 1) It allows us to combine derivative information, and associated uncertainty with normal function observations into the learning and inference process. This derivative information can be in the form of priors specified by an expert or identified from perturbation data close to equilibrium. 2) It allows a seamless fusion of multiple local linear models in a consistent manner, inferring consistent models and ensuring that integrability constraints are met. 3) It improves dramatically the computational efficiency of Gaussian process models for dynamic system identification, by summarising large quantities of near-equilibrium data by a handful of linearisations, reducing the training set size - traditionally a problem for Gaussian process models.

Details

einblenden:
ausblenden:
Sprache(n):
 Datum: 2003-10
 Publikationsstatus: Erschienen
 Seiten: -
 Ort, Verlag, Ausgabe: -
 Inhaltsverzeichnis: -
 Art der Begutachtung: -
 Identifikatoren: ISBN: 0-262-02550-7
URI: http://books.nips.cc/nips15.html
BibTex Citekey: 2107
 Art des Abschluß: -

Veranstaltung

einblenden:
ausblenden:
Titel: Sixteenth Annual Conference on Neural Information Processing Systems (NIPS 2002)
Veranstaltungsort: Vancouver, BC, Canada
Start-/Enddatum: -

Entscheidung

einblenden:

Projektinformation

einblenden:

Quelle 1

einblenden:
ausblenden:
Titel: Advances in Neural Information Processing Systems 15
Genre der Quelle: Zeitschrift
 Urheber:
Affiliations:
Ort, Verlag, Ausgabe: Cambridge, MA, USA : MIT Press
Seiten: - Band / Heft: - Artikelnummer: - Start- / Endseite: 1033 - 1040 Identifikator: -